YOLOV7训练自己的数据集，我先来试试火（VisDrone数据集）

源码：
https://github.com/WongKinYiu/yolov7
论文：
https://arxiv.org/abs/2207.02696

这个yolov7是yolov4团队的作品，我等着你yolov100。
在这里插入图片描述

请添加图片描述

背景

yolo系列已经成了大家学习工作中常用的目标检测网络，果然，yolov7又来了。一般人yolo取名到2亿都可以，但听说这个作者是yolov4的，我就来踩踩坑，试试火

代码

搭建环境，这里直接用conda按照源码requirements.txt安装就行。

（我yolov5环境(python3.7+torch1.8.0)都可以训练,我之前写过一篇几分钟搭建yolov5的文章）

数据准备

现成数据（VisDrone）+配置脚本(yolov7.yaml等)：

数据集:官方的VisDrone格式和yolov5的不同，要转换一下
这里我有转换好的，下载地址：4euh

制作自己数据集（lableme标注自己图片+labelme转yolo的脚本）：强烈建议用labelme

labelme格式标注完就是一张图对应一个json：
在这里插入图片描述
yolo格式是一个图对应一个txt：

我是把转化完的txt和json都同一个文件夹下

在这里插入图片描述

标注软件：

labelme就一个exe文件50m左右，下载地址：8q3m，windows上下载后直接执行，非常方便

labelme转yolov5脚本：

（只写了检测的，labelme的分割、关键点等等脚本有机会写个总的）

import os
import json
import glob
#输入口，就是你图片和json存放的那个文件，输出的txt也在这个文件夹里
labelme_dir=r"C:\Users\ttao\Pictures\my_"defget_labelme_data(labelme_dir):withopen(labelme_dir)as f:
        j=json.load(f)
        out_data=[]
        img_h =j["imageHeight"]
        img_w =j["imageWidth"]for shape in j["shapes"]:
            label=shape["label"]
            points=shape["points"]
            x,y,x2,y2=points[0][0],points[0][1],points[1][0],points[1][1]
            x_c=(x+x2)//2
            y_c=(y+y2)//2
            w=abs(x-x2)
            h=abs(y-y2)
            out_data.append([label,x_c,y_c,w,h])return img_h,img_w,out_data

defrename_Suffix(in_,mode=".txt"):
    in_=in_.split('.')return  in_[0]+mode

defmake_yolo_data(in_dir):
    json_list=glob.glob(os.path.join(in_dir,'*.json'))for json_ in json_list:
        json_path=os.path.join(in_dir,json_)
        json_txt=rename_Suffix(json_)
        img_h,img_w,labelme_datas=get_labelme_data(json_path)withopen(os.path.join(in_dir,json_txt),'w+')as f:for labelme_data in labelme_datas:
                label=labelme_data[0]
                x_c=labelme_data[1]/img_w
                y_c=labelme_data[2]/img_h
                w=labelme_data[3]/img_w
                h=labelme_data[4]/img_h
                f.write("{} {} {} {} {}\n".format(label,x_c,y_c,w,h))
            f.close()if __name__ =='__main__':
    make_yolo_data(labelme_dir)

训练

配置：train.py+数据集配置文件（.yaml）+选择网络的配置文件（默认为yolov7.yaml）
👉Visdrone数据集
数据集是无人机角度拍摄的，中国各城市的，主要是各种汽车、人等数据集
我具体配置情况如下：
在这里插入图片描述
train.py
–cfg 模型选择，这里默认是yolov7

–data 数据格式配置，我这里是自己的VisDrone数据格式，训练yolo的要改，看下面训练自己数据集

–hyp 超参数，先不管

–batch-size 这个yolov7我设高了容易爆，小点
在这里插入图片描述
VisDrone.yaml

然后就可以训练了

👉自己的数据集
把上面的VisDrone.yaml换成yolo系列格式的yaml，
yolo系列例子：
比如我的灭火器数据集，exting.yaml如下

train: my_data/train_exting
val: my_data/val_exting

nc:2#类别，改成自己的names:['exting_s','exting_m']#类别名称

和VisDrone不同的是，yolo系列数据格式这样放
在这里入图片描述
接下来配置train.py就行了。

坑（我遇到的）：

1、首先如果中途报错有什么却库和少包，大概率就是torch环境问题，按照我yolov5搭建的方式没什么问题
2、在windows上训练的问题，报错：[WinError 1455] 页面文件太小,无法完成操作在这里插入图片描述
原由：这里dataloader workers数量默认是8，当batch-size大，内存不够，报错
方法：
要么设置dataloader=1，但会降低训练速度，贼慢（但如果显卡本来就弱，那可能不全是cpu问题）
要么使用 FixNvPe.py 脚本，减少 MemoryPerProcess，不会降低训练速度。
具体方法（我也是看简书上大神的）